追問daily | 拖延癥是情緒調節失敗而非懶惰；咬指甲與拖延癥：自我破壞行為背后的生存本能

█ 腦科學動態

科學家首次構建出能產生褪黑素的人類松果體類器官

咬指甲與拖延癥：自我破壞行為背后的生存本能

加速大腦修復：3D重編程技術突破神經退行性疾病研究瓶頸

拖延癥是情緒調節失敗而非懶惰：短期情緒修復如何犧牲未來自我

CRISPR篩選揭示數百個大腦發育必需基因

計算模型揭示高級冥想的核心機制：主動推理與精確度加權

神經科學啟示錄：融合行動、組合結構與情景記憶構建類人AI

聰明的配偶還是強壯的伴侶？雌鼠的選擇取決于它自己

█ AI行業動態

MiroMind發布搜索智能體，以小博大重新定義“發現式智能”

馬斯克宣布Neuralink 2026年開啟量產

LeCun離職炮轟Llama 4造假，另起爐灶押注世界模型

█ AI驅動科學

Science：AI無法取代人類，唯有嚴謹審查方能抵制“垃圾”文獻

UCLA團隊實現光處理器無模型原位高效訓練

SpecEdge：利用消費級顯卡大幅降低大模型服務成本

RLPP模型：無需下游數據即可重建受損神經通路

超越AlphaFold3的蛋白質結構預測新模型

告別暴力計算：高效多模態AI的架構革命

腦科學動態

科學家首次構建出能產生褪黑素的人類松果體類器官

松果體作為大腦的“生物鐘”，通過分泌褪黑素調節睡眠周期，但因其位置深且體積小，科學家一直難以深入研究其功能與病理。In-Hyun Park、Ferdi Ridvan Kiral和Woo Sub Yang團隊（耶魯大學）取得突破，他們利用干細胞技術首次培育出能夠模擬人類松果體發育并產生褪黑素的類器官，為理解睡眠障礙及神經發育疾病提供了強有力的研究工具。

該研究通過引導人類多能干細胞分化，成功構建了人類松果體類器官（human pineal gland organoids）。利用單細胞RNA測序技術，研究人員證實這些類器官包含成熟及發育中的松果體細胞，其基因表達特征與真實人體組織高度相似。實驗顯示，這些類器官不僅能分泌褪黑素，還能表達腎上腺素能受體，并對去甲腎上腺素信號產生反應，完美復刻了人體內的晝夜節律調控機制。為驗證其臨床價值，團隊利用天使綜合征（Angelman Syndrome）患者的細胞構建模型，發現其松果體細胞分化異常且褪黑素合成顯著減少，解釋了該病患者睡眠障礙的成因。此外，將類器官移植到切除松果體的小鼠體內后，成功恢復了小鼠血液中的褪黑素水平。研究發表在 Cell Stem Cell 上。

#疾病與健康 #神經機制與腦功能解析 #松果體 #類器官 #褪黑素

閱讀更多：

Kiral, Ferdi Ridvan, et al. “Generation of Human Pineal Gland Organoids with Melatonin Production for Disease Modeling.” Cell Stem Cell, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.stem.2025.12.004

咬指甲與拖延癥：自我破壞行為背后的生存本能

為什么我們會不由自主地咬指甲、拖延工作或陷入自我批評？臨床心理學家 Charlie Heriot-Maitland 在其新書中提出了一種顛覆性的觀點。他通過心理學分析發現，這些看似非理性的自我破壞行為并非單純的錯誤，而是根植于進化的生存機制。研究指出，從微小的身體習慣到社交回避，這些行為實際上是大腦為了防御未知的外部威脅而精心設計的保護策略。

這項研究基于進化心理學框架，指出人類大腦的首要任務是生存而非幸福，因此它對“不確定性”具有極高的敏感度。Charlie Heriot-Maitland 將這些自我破壞行為描述為“精神健康中的可控爆發”（Controlled Explosions）。其核心邏輯在于：大腦寧愿我們面對一種已知的、可控的內部傷害（例如因拖延導致的焦慮，或因自我批評產生的痛苦），也不愿讓我們暴露在不可預測的外部威脅（如徹底的失敗、他人的拒絕或意外的敵意）之下。例如，完美主義者通過過度關注細節來避免犯錯，這種神經劫持（neurological hijacking）利用了高級認知功能，試圖通過自我施壓來規避潛在的更大風險。然而，這種機制常導致“自我實現的預言”，即對失敗的防御反而促成了失敗。研究強調，解決這一問題的關鍵不在于對抗或消除這些行為，而是利用神經可塑性，通過“自我關懷”理解其保護性動機，從而逐步建立新的應對模式。研究發表在 Routledge 上。

#疾病與健康 #心理健康與精神疾病 #神經機制與腦功能解析 #進化心理學 #自我破壞 #自我關懷

閱讀更多：

Heriot-Maitland, Charlie. Controlled Explosions in Mental Health: A Compassionate Guide to Understanding Why Our Brains Self-Sabotage, Self-Criticise, and Self-Harm , Routledge, 2026, https://doi.org/10.4324/9781003559924

加速大腦修復：3D重編程技術突破神經退行性疾病研究瓶頸

為了解決大腦中充當“制動系統”的關鍵神經元難以在實驗室生成的難題，Christina A. Stamouli 和 Daniella Rylander Ottosson 等人（隆德大學）開發了一種突破性技術。他們成功繞過干細胞階段，直接將大腦支持細胞轉化為與精神分裂癥及癲癇密切相關的小白蛋白神經元，揭示了細胞命運轉變的關鍵基因通路。

? 人類膠質細胞前體細胞的神經元重編程。Credit: Science Advances (2026).

小白蛋白細胞在維持大腦平衡中起著核心作用，其功能異常會導致嚴重的神經系統疾病。研究團隊開發了一種創新的三維重編程方法，能夠將神經膠質細胞直接轉化為中間神經元。利用單核RNA測序，研究人員發現，這種方法僅需兩周時間就能生成成熟的小白蛋白神經元，其中包括一種名為吊燈細胞的罕見亞型。

相比傳統干細胞分化方案通常需要數月時間，這項新技術不僅大幅縮短了時間，還通過譜系軌跡分析確定了驅動這一轉化的關鍵基因。這一發現意味著科學家現在可以在實驗室中利用患者自身的細胞快速構建疾病模型，深入探究精神分裂癥和癲癇的病理機制。長遠來看，該研究為開發將大腦內膠質細胞原位轉化為健康神經元的再生療法提供了可能，有望直接修復受損的大腦回路。研究發表在 Science Advances 上。

#神經科學 #神經機制與腦功能解析 #技術創新 #單神經元重建 #全腦成像

閱讀更多：

Stamouli, Christina A., et al. “A Distinct Lineage Pathway Drives Parvalbumin Chandelier Cell Fate in Human Interneuron Reprogramming.” Science Advances, vol. 12, no. 1, Jan. 2026, p. eadv0588. science.org (Atypon), https://doi.org/10.1126/sciadv.adv0588

拖延癥是情緒調節失敗而非懶惰：短期情緒修復如何犧牲未來自我

拖延癥常被誤解為懶惰或缺乏意志力，但其背后的心理機制遠比這復雜。加拿大畢索普大學的Fuschia Sirois和卡爾頓大學的Timothy Pychyl通過系統性理論綜述，提出拖延本質上是一種自我調節失敗，與短期情緒修復和情緒調節密切相關，而非簡單的時間管理問題。

研究團隊對拖延癥相關文獻進行了系統梳理，重點分析了短期情緒調節在拖延行為中的優先性。研究指出，當個體面對被視為令人厭惡、困難或無聊的任務時，會產生焦慮等負面情緒。拖延者為了盡快擺脫這些不適感，會選擇回避任務，從而獲得即時的情緒緩解。然而，這種短期情緒修復的效果是暫時的，延遲完成任務反而會帶來更大的壓力、內疚和焦慮，形成惡性循環。研究特別強調了自我的時間性理解（temporal understanding of self）在拖延中的重要性。現在自我（present self）傾向于優先滿足即時情緒需求，而拖延的負面后果——如時間壓力增加、任務質量下降、健康受損——則由未來自我（future self）承擔。這種現在自我與未來自我之間的時間脫節是理解拖延行為的關鍵。研究還將這些個體內部過程與拖延對健康和幸福感的負面影響聯系起來，為后續干預研究提供了理論基礎。研究發表在 Social and Personality Psychology Compass 上。

#認知科學 #心理健康與精神疾病 #拖延癥 #情緒調節 #自我調節

閱讀更多：

Sirois, Fuschia, and Timothy Pychyl. “Procrastination and the Priority of Short-Term Mood Regulation: Consequences for Future Self.” Social and Personality Psychology Compass, vol. 7, no. 2, 2013, pp. 115–27. Wiley Online Library, https://doi.org/10.1111/spc3.12011

CRISPR篩選揭示數百個大腦發育必需基因

哪些基因是構建大腦的基石？如果它們失效會發生什么？耶路撒冷希伯來大學的Sagiv Shifman教授團隊與法國國家健康與醫學研究院（INSERM）的Binnaz Yalcin教授合作，利用全基因組篩選技術，繪制了一張早期大腦發育關鍵基因的詳細圖譜。這項研究不僅鑒定出數百個神經元分化所必需的基因，還發現了一個導致罕見神經發育障礙的新基因 *PEDS1*，并揭示了不同類型基因突變與特定疾病癥狀之間的聯系。

? 實驗室中由干細胞培養的神經元形成相互連接的網絡。在這項研究中，研究人員利用 CRISPR 技術關閉干細胞中的基因，然后追蹤這些細胞分化為神經元的成功率。比例尺：100 微米。 Credit: Dr. Galya Monderer-Rothkoff, The Hebrew University of Jerusalem.

研究團隊采用CRISPR對小鼠胚胎干細胞中的約20,000個基因進行了系統性敲除篩選，觀察它們在分化為腦細胞過程中的作用。結果鑒定出331個對神經元生成至關重要的基因。其中，研究重點關注了 *PEDS1* 基因，發現它是合成縮醛磷脂（plasmalogens，一種富含于神經纖維保護層髓鞘中的特殊膜磷脂）的關鍵酶。在臨床樣本中，研究人員發現 *PEDS1* 的突變導致兒童患有嚴重的發育障礙和小頭畸形。動物模型進一步證實，該基因缺失會加速細胞退出分裂周期，阻礙神經元的正常分化和遷移。此外，研究還發現了一個有趣的規律：涉及轉錄調控的基因突變通常導致顯性遺傳疾病，而像 *PEDS1* 這樣涉及代謝過程的基因則多導致隱性遺傳疾病。為了推動領域發展，團隊還建立了開放的在線數據庫，共享所有篩選數據。研究發表在 Nature Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #CRISPR #神經發育障礙 #大腦發育

閱讀更多：

Amelan, Alana, et al. “CRISPR Knockout Screens Reveal Genes and Pathways Essential for Neuronal Differentiation and Implicate PEDS1 in Neurodevelopment.” Nature Neuroscience, Jan. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-025-02165-0

計算模型揭示高級冥想的核心機制：主動推理與精確度加權

如何用數學語言描述“無我”或“止息”等深層冥想體驗？Hagar Tal和Matthew D. Sacchet等研究人員通過回顧計算現象學領域的最新進展，試圖搭建一座連接主觀冥想體驗與客觀科學數據的橋梁。該團隊發現，盡管存在多種理論模型，但通過引入主動推理（Active Inference）框架，可以從計算角度對冥想過程中的意識狀態變化進行形式化描述。

該研究深入分析了現有的計算模型，發現了一個貫穿始終的核心機制：精確度加權。在計算神經科學中，這指的是大腦對預測誤差或感官輸入的“置信度”。研究指出，早期的冥想模型主要關注如何通過調節精確度來增強對內感受的注意力控制，從而解釋正念帶來的平靜。然而，隨著研究的深入，最新的模型開始探索更復雜的現象，如感知的“去虛構化”（defabrication）。這意味著冥想者通過改變層級生成模型（hierarchical generative model）中特定層的精確度權重，逐漸松動原本僵化的感知結構，從而產生認知靈活性的提升甚至極簡的現象體驗。盡管如此，研究也強調，目前對于非二元性體驗、情感轉化機制以及日常生活中的非正式冥想練習，現有的計算模型仍有待進一步完善。研究發表在 Neuroscience & Biobehavioral Reviews 上。

#認知科學 #計算模型與人工智能模擬 #冥想 #主動推理 #精確度加權

閱讀更多：

Tal, Hagar, et al. “Active Inference, Computational Phenomenology, and Advanced Meditation: Toward the Formalization of the Experience of Meditation.” Neuroscience & Biobehavioral Reviews, Dec. 2025, p. 106539. ScienceDirect, https://doi.org/10.1016/j.neubiorev.2025.106539

神經科學啟示錄：融合行動、組合結構與情景記憶構建類人AI

當前的人工智能雖然在語言處理上表現出色，但仍面臨幻覺頻發、缺乏常識性物理認知以及能耗巨大等問題。Rajesh P.N. Rao及其團隊（華盛頓大學）提出，AI的發展應當重新審視并借鑒神經科學的核心原理。他們指出，盡管大語言模型的預測機制與大腦的“預測編碼”有相似之處，但現有的AI架構忽略了生物大腦中至關重要的三個要素：行動、層級化的組合結構以及情景記憶。團隊認為，填補這些空白是構建安全、可解釋且真正具有類人智能的AI系統的關鍵。

該研究深入分析了當前Transformer架構的局限性，并提出了基于“主動預測編碼”（Active Predictive Coding, APC）的改進方案。首先，針對AI缺乏“身體感”的問題，研究指出大腦通過行動來驗證感知并學習因果關系。現有的AI是被動的觀察者，缺乏與環境互動的策略網絡；團隊建議引入獨立的策略網絡來指導生成模型，使其能像生物一樣通過“嘗試”來理解物理世界，從而減少邏輯謬誤。其次，針對處理復雜任務的效率問題，研究提倡引入分層組合結構（Compositional Structure）。大腦通過將復雜任務分解為子任務（如將“去超市”分解為“走路”、“開車”等）來高效處理信息，而目前的AI依賴扁平的長上下文窗口，效率低且易在長文本中“迷失”。最后，關于情景記憶，研究建議模仿海馬體的功能，賦予AI可寫入的長期記憶庫，并通過類似生物“睡眠”的離線階段進行記憶重放和整合，以實現持續學習。這種受大腦啟發的架構有望大幅提升AI的魯棒性和能源效率。

#大模型技術 #計算模型與人工智能模擬 #預測編碼 #情景記憶 #神經科學

閱讀更多：

Rao, Rajesh P. N., et al. “Lessons from Neuroscience for AI: How Integrating Actions, Compositional Structure and Episodic Memory Could Enable Safe, Interpretable and Human-Like AI.” arXiv:2512.22568, arXiv, 27 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.22568

聰明的配偶還是強壯的伴侶？雌鼠的選擇取決于它自己

為什么在漫長的進化過程中，并非所有動物都變得絕頂聰明？為了解開這一維持生物多樣性的謎題，Alexandros Vezyrakis、Fragkiskos Darmis、Valeria Mazza 和 Anja Guenther 等研究人員（馬克斯·普朗克進化生物學研究所）通過結合半自然環境觀察與受控實驗，發現雌性小鼠會根據自身的特質選擇互補的配偶，從而防止了單一特質在種群中固定，揭示了性選擇維持行為多樣性的機制。

該研究在四個半自然圍欄中追蹤了139只野生家鼠的行為，并引入了需要解謎才能獲取食物的裝置。結果顯示，只有約四分之一的小鼠表現出創新能力。通過DNA親子鑒定發現，種群中存在顯著的異型交配（disassortative mating）現象，“互補”配對的比例遠高于隨機預期。深入的擇偶實驗揭示了背后的雙重機制：首先，雄性面臨著“智力”與“體力”的權衡，創新型雄性通常體型較小，而體型是競爭優勢的指標；其次，雌性的擇偶標準與其自身能力密切相關。具有創新能力的雌鼠傾向于選擇體型更大的雄鼠以獲取身體優勢基因，而缺乏創新能力的雌鼠則偏好聰明的雄鼠。這種基于自身條件的差異化選擇，使得創新基因和強壯基因在種群中得以動態平衡。研究發表在 Current Biology 上。

#認知科學 #其他 #進化生物學 #動物行為 #性選擇

閱讀更多：

Vezyrakis, Alexandros, et al. “Variation in Innovation Is Maintained by Disassortative Mating and Female Choice.” Current Biology, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.cub.2025.11.077

AI 行業動態

MiroMind發布搜索智能體MiroThinker 1.5，以小博大重新定義“發現式智能”

憑借成功預測 Polymarket 題目，連續登頂 Future X 全球榜首的 MiroMind 團隊，1 月 5 日正式發布其自研旗艦搜索智能體模型 MiroThinker 1.5。

MiroMind 由全球知名創新企業家、慈善家陳天橋，與清華大學知名 AI 青年學者代季峰教授聯合發起。去年陳天橋提出發現式智能才是真正意義上的通用人工智能這一重磅創新理念，引發全球業內人士關注。他同時提出建設發現式智能的 5 種關鍵能力，其中一項能力是在未知條件下重建對世界的理解，這正是 MiroMind 的使命。

與當前行業普遍追求萬億參數規模的趨勢不同，研究人員押注“發現式智能”，主張模型不應僅僅是背誦知識的“做題家”，而應成為具備查證與修正能力的“科學家”。MiroThinker 1.5 采用 30B（300億）參數規模，卻在性能上比肩甚至超越了參數量高達 30倍的 Kimi-K2-Thinking 等萬億級模型，且推理成本僅為后者的二十分之一。這種“以小博大”的突破，得益于團隊從內部參數擴張轉向了交互式擴展，證明了智能的提升不完全依賴于模型體量。

在技術實現上，MiroThinker 1.5 將 Interactive Scaling 從推理階段前移并內化為訓練階段的核心機制。研究人員構建了“推理-驗證-修正”的循環體系，訓練模型像情報官一樣主動尋找證據并進行多輪自我校驗，嚴厲懲罰缺乏信源的幻覺輸出。為了解決傳統模型“事后諸葛亮”的問題，團隊還引入了時序敏感訓練沙盒（Time-Sensitive Training Sandbox，一種嚴格限制模型只能訪問特定時間點之前信息的訓練環境），杜絕未來信息泄露，從而迫使模型在信息不完備的真實條件下進行因果推演。這一機制使得該模型在 A股漲停板預測、美股波動分析等復雜任務中展現出極高的準確性與實用價值，目前用戶已可通過相關平臺體驗其預測能力。

#MiroThinker #發現式智能 #AI搜索智能體 #陳天橋 #InteractiveScaling

閱讀更多：

https://github.com/MiroMindAI/MiroThinker

馬斯克宣布Neuralink 2026年開啟量產，腦機接口有望讓癱瘓者重獲新生

Elon Musk 近日正式宣布，Neuralink 計劃于 2026 年啟動腦機接口設備的量產，并引入幾乎全自動化的手術流程，旨在將實驗性神經科學轉化為可規模化的臨床現實。Musk 指出，該技術本質上構建了一座通信橋梁，能夠將大腦信號繞過受損的脊柱或頸部節點直接傳遞至身體其他部位，理論上具備幫助癱瘓患者恢復全身功能的潛力。

為了實現這一目標，Neuralink 推出了升級版外科機器人，其操作效率堪比 LASIK（Laser-Assisted In Situ Keratomileusis，準分子激光原位角膜磨鑲術），僅需數分鐘即可完成植入。更重要的是，新技術允許電極細線直接穿過硬腦膜（Dura Mater，保護大腦和脊髓的堅韌外膜）而無需將其移除，這一突破顯著降低了手術的侵入性風險和患者的恢復時間。目前，該公司的言語恢復技術已獲得 FDA 的“突破性醫療器械認定”，并在阿聯酋、英國及加拿大等地啟動了國際臨床試驗，公司估值已升至約 90 億美元。

首位植入者 Noland Arbaugh 的成功經歷為這項技術提供了有力背書，這位四肢癱瘓的患者如今已能通過意念控制電腦，重獲了部分生活的獨立性與掌控感。然而，研究人員強調，Neuralink 在從實驗室走向常規醫療的過程中，仍需跨越技術、臨床與倫理的多重障礙。盡管 BCI技術前景廣闊，但長期植入后的信號衰減、腦組織反應以及潛在的隱私泄露問題仍需大量數據驗證。此外，行業內也存在不同聲音，例如 OpenAI 的 CEO Sam Altman 便對侵入式方案持保留態度，更傾向于非侵入式技術路線，擔憂直接植入可能對神經元造成不可逆的傷害。盡管面臨挑戰，Musk 的量產計劃仍被視為醫療領域的重大轉折點，有望在未來幾年內徹底改變殘障人士的生活方式，并推動人類意識與人工智能融合的探索。

#Neuralink #腦機接口 #ElonMusk #醫療革命 #癱瘓康復

閱讀更多：

https://x.com/elonmusk/status/2007325307515342980%20

Meta爆發內訌：圖靈獎得主LeCun離職炮轟Llama 4造假，另起爐灶押注世界模型

圖靈獎得主、前 Meta 首席 AI 科學家 Yann LeCun 在離職后公開披露了老東家的內部矛盾。他證實了關于 Llama 4 模型在基準測試中作弊的傳聞，指出團隊為了美化數據，在不同測試中使用了不同的模型版本進行“刷榜”。此外，LeCun 嚴厲批評了其前上司、年僅 28 歲的 Alexandr Wang（Scale AI 創始人，現負責 Meta 超級智能實驗室），認為其缺乏科研經驗，不懂得如何有效管理頂級研究人員。LeCun 指出，Meta 為了應對 ChatGPT 的沖擊，全員過度癡迷于大語言模型，而忽略了通往真正智能的其他路徑。他直言 LLM 實際上是一條“死路”，這種深刻的路線分歧以及對管理層的不滿，最終導致他選擇離開這家他曾一手建立起 AI 研究體系的科技巨頭。

離開 Meta 后，LeCun 迅速在巴黎成立了新公司 AMI Labs（Advanced Machine Intelligence Labs，高級機器智能實驗室），致力于通過世界模型來實現更高階的人工智能。不同于依賴“預測下一個詞”的 LLM，LeCun 主推的 V-JEPA（Video Joint Embedding Predictive Architecture，視頻聯合嵌入預測架構）旨在讓 AI 像人類一樣理解物理常識，能夠預測抽象狀態而非僅僅生成像素。作為執行主席，他計劃在 12 個月內推出具備初步物理直覺的“嬰兒級”模型。LeCun 堅信，只有讓機器建立對現實世界的抽象表征并具備規劃能力，才能突破當前 AI 的瓶頸。雖然他自認不擅長管理 CEO 的職責，但他將繼續以研究人員的身份，探索人類智能的本質，試圖為世界留下超越文本生成的真正智慧。

#YannLeCun #Meta內訌 #Llama4 #世界模型 #人工智能

閱讀更多：

https://www.ft.com/content/e3c4c2f6-4ea7-4adf-b945-e58495f836c2

AI 驅動科學

Science：AI無法取代人類，唯有嚴謹審查方能抵制“垃圾”文獻

隨著人工智能技術深度滲透科研領域，關于AI是否會取代人類科學家的爭論從未停止。在《科學》雜志2026年的首篇社論中，主編H. Holden Thorp呼吁科學界保持冷靜，并強調要以正確的方式利用AI，同時警惕低質量內容的泛濫。他指出，雖然AI工具能提升效率，但沒有任何系統能完全替代人類的判斷，維護科學文獻的嚴謹性比以往任何時候都更需要人類的經驗與專業知識。

Thorp在社論中透露，期刊已引入iThenticate和Proofig等AI工具來輔助識別抄襲和圖像篡改，并明確禁止使用AI生成論文圖表或未聲明的文本撰寫。值得注意的是，期刊與DataSeer合作，利用自然語言處理技術掃描論文并生成“可重復性檢查清單”（reproducibility checklist）。數據顯示，在2021年至2024年間發表的2680篇論文中，已有69%的論文遵循政策共享了底層數據。Thorp強調，盡管AI幫助發現了許多錯誤，但評估AI生成的報告實際上需要投入更多的人力。他將當前的AI熱潮類比為15年前的大規模在線課程，認為如同在線課程未取代大學一樣，AI也不會取代科學家，前提是必須抵制“人工智能垃圾”（AI slop）的堆積，堅持由人類精心策劃和審查的出版標準。研究發表在 Science 上。

#AI 驅動科學 #大模型技術 #科學出版 #數據共享

閱讀更多：

Thorp, H. Holden. “Resisting AI Slop.” Science, vol. 391, no. 6780, Jan. 2026, pp. 5–5. science.org (Atypon), https://doi.org/10.1126/science.aee8267

強化學習助力光學AI：UCLA團隊實現光處理器無模型原位高效訓練

光計算雖具備高速低能耗的優勢，但基于模擬模型的訓練常因無法精確捕捉現實硬件的微小誤差而導致實際表現不佳。加州大學洛杉磯分校（UCLA）的Aydogan Ozcan、Yuhang Li及其團隊開發了一種全新的訓練框架，通過讓設備從實驗經驗中直接學習，成功克服了物理模型與現實環境之間的鴻溝。

? 用于光處理器無模型原位訓練的近端策略優化（PPO）。Credit: UCLA Engineering Institute for Technology Advancement

該研究引入了近端策略優化（PPO，一種在人工智能領域廣泛應用的高效強化學習算法），構建了一個無需物理模型的原位訓練系統。不同于傳統依賴數字孿生的方法，該系統將光學硬件視為黑盒，直接利用真實的光學測量數據來優化衍射光網絡（一種利用光波衍射進行計算的物理神經網絡）。在實驗中，研究人員測試了該系統穿越隨機漫射器聚焦光束、生成全息圖以及進行像差校正的能力。結果顯示，該方法不僅能自動適應未知的硬件缺陷和噪聲，還在手寫數字分類等任務中表現出比傳統策略梯度優化更快的收斂速度和更高的準確性。這意味著未來的智能物理系統可以在不依賴詳細物理模型的情況下，實現自我學習和實時調整。研究發表在 Light: Science & Applications 上。

#疾病與健康 #神經機制與腦功能解析 #阿爾茨海默病 #觸覺感知 #Tau蛋白

閱讀更多：

Li, Yuhang, et al. “Model-Free Optical Processors Using in Situ Reinforcement Learning with Proximal Policy Optimization.” Light: Science & Applications, vol. 15, no. 1, Jan. 2026, p. 32. www.nature.com, https://doi.org/10.1038/s41377-025-02148-7

SpecEdge技術：利用消費級顯卡大幅降低大模型服務成本

如何打破大型語言模型對昂貴數據中心的高依賴并降低運營成本？韓國科學技術院（KAIST）的Dongsu Han、Jinwoo Park和Seunggeun Cho等人開發了一項名為“SpecEdge”的新技術，通過整合個人電腦和移動設備中的消費級顯卡，成功構建了低成本的AI基礎設施。該研究不僅大幅降低了AI服務的算力成本，還解決了在普通網絡環境下利用邊緣計算資源進行大模型推理的延遲難題。

? 已開發的 SpecEdge 語言數據流圖。Credit: KAIST

研究團隊開發了SpecEdge系統，核心在于應用了推測解碼（Speculative Decoding）技術。該方法讓位于用戶端的邊緣GPU（edge GPUs）運行較小的語言模型，快速生成高概率的詞元序列草稿，隨即由數據中心的大規模模型進行批量驗證。為了克服互聯網傳輸的延遲，團隊引入了主動邊緣草圖生成（Proactive Edge Drafting），使邊緣設備在等待服務器響應時仍能持續生成內容，同時配合流水線感知調度（Pipeline-aware Scheduling）優化服務器處理多用戶請求的效率。實驗結果顯示，該系統將每個詞元的生成成本降低了約67.6%，成本效益提升1.91倍，服務器吞吐量增加2.22倍，且在標準網速下即可流暢運行。這一成果為將智能手機、個人電腦等設備納入AI算力網絡提供了可行方案。

#大模型技術 #計算模型與人工智能模擬 #邊緣計算 #推測解碼 #GPU推理

閱讀更多：

Park, Jinwoo, et al. “SpecEdge: Scalable Edge-Assisted Serving Framework for Interactive LLMs.” arXiv:2505.17052, arXiv, 18 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2505.17052

RLPP模型：無需下游數據即可重建受損神經通路

當大腦內部的通訊線路因中風或損傷而中斷，我們能否在不依賴受損區域原始數據的情況下重建連接？Shenghui Wu 與 Yiwen Wang（香港科技大學）、Dario Farina（帝國理工學院）以及 Jose C. Principe（佛羅里達大學）等人組成的跨國研究團隊，提出了一種基于行為反饋的創新計算模型。該研究成功繞過了對受損下游腦區神經記錄的依賴，利用行為結果直接驅動神經脈沖的生成，為恢復大腦跨區域功能連接提供了全新的解決方案。

? 腦機接口（左）與神經旁路系統（右）Credit:Nat Comput Sci (2026).

傳統的神經旁路系統試圖在受損部位建立人工通道，但這通常需要下游腦區的正常信號作為訓練參照，而這在疾病狀態下往往無法獲取。為此，研究團隊開發了基于強化學習的點過程（Point Process，一種用于描述神經脈沖等離散事件發生概率的統計模型）框架（RLPP）。該方法不再模仿缺失的下游信號，而是模擬生物腦的“試錯學習”機制：模型接收上游信號并生成脈沖，若產生的行為結果（如運動）正確，模型便獲得獎勵并強化該模式。在大鼠的內側前額葉皮層到初級運動皮層（M1）通路的實驗中，RLPP生成的脈沖序列在行為解碼成功率上顯著優于監督學習方法，并展現出與健康大腦相似的生物仿生特性。這一突破意味著，未來利用行為反饋驅動的神經刺激，有望在臨床上幫助患者重建受損的神經環路。研究發表在 Nature Computational Science 上。

#意識與腦機接口 #神經調控 #計算模型與人工智能模擬 #神經康復 #強化學習

閱讀更多：

Wu, Shenghui, et al. “A Generative Spike Prediction Model Using Behavioral Reinforcement for Re-Establishing Neural Functional Connectivity.” Nature Computational Science, Jan. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s43588-025-00915-5

SeedFold：超越AlphaFold3的蛋白質結構預測新模型

如何突破現有蛋白質結構預測模型的規模化瓶頸？字節跳動 Seed 團隊（Quanquan Gu等）提出了一種名為 SeedFold 的新模型，成功實現了模型容量的有效擴展。該研究針對現有折疊模型在計算復雜度和隱藏維度上的局限性，開發了新的架構和訓練策略，在多項關鍵任務上超越了目前的行業標桿 AlphaFold3，為生物分子基礎模型的構建提供了新的擴展思路。

研究團隊通過三項核心技術創新實現了這一突破。首先，他們發現擴展 Pairformer（Pairformer，一種用于提取氨基酸對特征的模塊）的寬度比單純增加深度更能有效提升模型表征能力，將隱藏維度擴展至512維。其次，為了解決計算瓶頸，團隊引入了線性三角注意力（Linear Triangular Attention，一種降低計算復雜度的注意力機制），將計算復雜度從隨序列長度的三次方增長降低至二次方，從而實現了高效的規模化。最后，研究人員構建了一個包含2650萬個樣本的大規模蒸餾數據集，是實驗結構數據的147倍，顯著增強了模型的泛化能力。在 FoldBench 基準測試中，SeedFold 在多數任務上優于 AlphaFold3、Boltz-1 等開源模型。有趣的是，標準版模型在抗體-抗原預測中表現更佳，而采用線性注意力的變體則在蛋白質-配體相互作用中更具優勢。

#AI 驅動科學 #預測模型構建 #蛋白質結構預測 #SeedFold #深度學習

閱讀更多：

Zhou, Yi, et al. “SeedFold: Scaling Biomolecular Structure Prediction.” arXiv:2512.24354, arXiv, 30 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.24354

告別暴力計算：高效多模態AI的架構革命

隨著人工智能規模的不斷擴大，高昂的計算成本成為了阻礙其普及的主要壁壘。來自Shanghai Jiao Tong University的Lizhuang Ma和East China Normal University的Xin Tan等研究人員組成的團隊進行了深入探索，系統梳理并提出了高效多模態大型語言模型的設計藍圖。該研究旨在通過優化模型架構與數據流，降低計算門檻，使先進的AI技術能夠惠及更廣泛的群體。

這項綜述研究指出，提升多模態模型的效率不能僅依賴于壓縮語言模型，核心挑戰在于處理圖像產生的大量視覺標記（visual tokens，即圖像被數字化分割后的基本信息單元）。研究團隊詳細分析了視覺標記壓縮技術，該技術能在信息進入語言模型前大幅減少冗余，從而顯著降低推理復雜度。此外，文章重點探討了重構模型架構的策略，例如采用輕量級視覺編碼器和混合專家模型，在不增加計算負擔的前提下提升模型容量。通過這種全流程的協調優化，多模態模型將不再局限于昂貴的云端服務器，而是能夠部署在移動設備和邊緣計算平臺上。這不僅解決了能源消耗和隱私問題，更為醫療、遙感等資源受限領域的實時應用提供了可能，標志著AI創新正從單純追求規模向追求現實世界的高效應用轉變。研究發表在 Visual Intelligence 上。

#大模型技術 #計算模型與人工智能模擬 #多模態 #邊緣計算 #視覺智能

閱讀更多：

Jin, Yizhang, et al. “Efficient Multimodal Large Language Models: A Survey.” Visual Intelligence, vol. 3, no. 1, Dec. 2025, p. 27. Springer Link, https://doi.org/10.1007/s44267-025-00099-6

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫院、上海市精神衛生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、、科普視頻媒體「大圓鏡」等。